1.一种基于qcl的笑气便携式现场检测技术，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，采用qcl激光器作为激发光源，激光的中心波长为2207.5 cm-1，以三角波的方式调制，波长浮动范围在2205.5 cm-1至2209.5 cm-1之间。
3.根据权利要求1所述的方法，其特征在于，采用的一次性集气袋配装有与袋体相连的软管，软管前段为细嘴形，且入口处由薄膜密封；软管中部配有管夹。
4.根据权利要求1所述的方法，其特征在于，本专利所述检测方法可以直接对呼出气体进行检测。
5.根据权利要求1所述的方法，其特征在于，所述的光腔无需采用抽气泵等措施进行抽真空。
6.根据权利要求1所述的方法，其特征在于，所述的对抗生成网络构成的软件触发双相锁相放大算法由生成网络和判别网络组成。
7.根据权利要求6所述的方法，其特征在于，所述生成网络由12组卷积层的激活函数组成，其卷积输出矩阵大小分别为[2048,1], [1024,16], [512,32], [256,64], [128,128], [64,64], [64,64], [128,128], [64,256], [32,512], [16,1024], [1,2048]。其中1和12,2和11,3和10,4和9,5和8,6和7层输出互为转置矩阵，且之前由跳层结构连接，激活函数为sigmoid函数；判别网络由卷积层和全连接层构成，主要包括五个卷积层，一个dropout层，三个全连接层组成。本网络中五层神经网络卷积核大小分别为[5,1], [5,1],[5,1], [3,1]和[3,1]，卷积核数目分别为8, 16，32，64和128，步长均为3。dropout的比例为10%。本网络包含了三个全连接层，一个为flatten层，此后2个全连接层的神经元个数分别为：128,32,1。网络输入为[2048*2]的数据矩阵，由2048个点的参考信号与吸收信号组合而成。
8.根据权利要求1所述的方法，其特征在于，卷积神经网络构成的笑气动态浓度分析算法分别为基于解调信号的笑气绝对浓度计算网络与基于时间序列的笑气相对浓度计算网络两部分。
9.根据权利要求8所述的方法，其特征在于，基于解调信号的笑气绝对浓度计算网络由卷积层、池化层和全连接层构成。以解调信号为输入信息。神经网络模型框架包括两个卷积层，两个池化层，一个dropout层，七个全连接层。其中两层神经网络卷积核大小分别为[10,1]和[5,1]，卷积核数目分别为32和64，步长为1。每层卷积神经网络后面连接一个最大池化层，池化层的核大小为（10,1）。dropout的比例为10%。七个全连接层，一个为flatten层，此后6个全连接层的神经元个数分别为：512, 1024, 256, 64, 32, 1。最后一个为仅含一个神经元的输出层。
10.根据权利要求8所述的方法，其特征在于，基于时间序列的笑气相对浓度计算网络以多组连续的笑气绝对浓度结果为输入。本专利所述的基于时间序列的笑气相对浓度计算网络由输入层、lstm 层和连接层组成，其中lstm 层包含5层lstm 模块。
11.根据权利要求1所述的方法，其特征在于，本实施方案所述的笑气相对浓度计算算法会在30s内采集300组参考信号与吸收信号，首先输入于对抗生成网络构成的软件触发双相锁相放大算法，得到300组连续的解调信号，再以解调信号输入于基于解调信号的笑气绝对浓度计算网络，得到300组笑气绝对浓度信息，代表着30s内光腔中笑气浓度变化过程，最后将300组笑气绝对浓度信息输入于基于时间序列的笑气相对浓度计算网络，得到检测人呼出气体中的笑气浓度。
12.一种基于qcl的笑气便携式现场检测技术，其特征在于，所述基于qcl的笑气便携式现场检测技术用于执行如权利要求1-11任一项所述的笑气便携式现场检测。